University of Sheffield

Las estrellas masivas son raras, aunque dominan la regeneración radiativa, mecánica y química en galaxias de estrella-formación. Históricamente, los estudios espectroscópicos de estrellas masivas calientes en la vía Láctea y galaxias cercanas se han restringido a pequeños tamaños de muestra. El advenimiento del campo ancho, altamente multiplexando los instrumentos espectroscópicos (WHT/armadura, VISTA/4MOST) permite que los millares de estrellas masivas sean estudiados, mientras que GAIA ahora está proporcionando paralajes confiables para las estrellas en las distancias de vario CPK. Este proyecto combinará los resultados espectroscópicos de la encuesta de tejido SCIP (que se iniciará en 2020) con las distancias de GAIA derivadas de bayesiano para investigar las propiedades de una gran muestra de las estrellas calientes y luminosas de la secuencia post-principal (supergigantes azules, Wolf-Rayet estrellas) por primera vez, confrontando predicciones de modelos evolutivos para estrellas masivas, llevando a su refinamiento.

Fecha cierre convocatoria beca 23 enero 2019
Mayores informes beca

La prueba ultrasónica (UT) es un método popular en la fabricación avanzada para evaluar la integridad de componentes sin tener un impacto de su utilidad futura (prueba no destructiva). Comúnmente, los componentes son inspeccionados usando soluciones codificadas manuales (UT convencional o pruebas ultrasónicas de array escalonado (PAUT)) y los datos son analizados por un operador especializado. Como tal es dependiente de las experiencias de prueba del operador y como esto podría potencialmente conducir a errores, hay una investigación académica y la industria necesita para desarrollar un sistema capaz de reconocimiento autónomo de defectos (ADR), potencialmente para ser integrado junto procesos y sistemas de inspección existentes.

El objetivo general de este doctorado es desarrollar un marco computacional para la clasificación de defectos autónomos para la prueba ultrasónica. El trabajo de investigación se centrará en las metodologías de aprendizaje automático (ml) (pero no limitadas a ml), con posibles temas de investigación sobre métodos de extracción y selección de características en señales spatiotemporal, clasificación basada en modelos supervisada y no supervisada. algoritmos, así como la toma de decisiones basada en modelos autónomos y semiautónomos.

Fecha cierre convocatoria beca 24 enero 2018
Mayores informes beca